RPA终极发展方向瞄准AI Agent，超自动化智能体时代已经开启

RPA之所以如此受欢迎，是因为它涉及使用“机器人”来自动化通常由员工完成的大批量、低复杂性及重复性任务。

RPA的基本情况很明确，这些机器人解放了员工，让他们专注于更多增值任务，并降低企业的总体成本。它们可以每天 24 小时运行，避免人为错误，并处理大量任务。

适合RPA的任务包括处理事务、操作数据、响应查询和跨系统通信。管理后台对于RPA高效应用，也证明了其与该技术的天然契合，比如银行实施RPA来路由和回复投诉电子邮件，医疗保健公司使用RPA“机器人”来帮助处理和分析数百万张供应商发票等。

长期以来，对于异构系统且杂乱的传统自动化技术，RPA就像一颗银弹，它的连接性使得很多企业往日投资的自动化技术得以焕发青春。

因此，RPA在金融服务、公共部门和能源等高度监管的领域得到了显著的应用，当然前提在于这些部门往往不愿意或无法对其系统进行大规模改变。

不只在这些领域，很多实施数字化技术多年的大型企业都存在这种情况，面向传统自动化难以为继、不想让过往投资付之一炬以及不想继续大量投资技术的种种需求，RPA从未变得如此受欢迎。

难解决的问题

即便RPA近几年都以超过16%复合增长率快速成长，因为它的连接特性，始终被一些人戏称为“创可贴”或者“粘结剂”。

这两个绰号，恰恰反映了RPA不够稳定的缺点。很多客户抱怨机器人很脆弱，需要花费数小时来维护它们，而不是构建新的自动化。对很多业务场景来说，如果数据样式发生变化，例如在表单中添加了新项目，机器人就无法继续工作了，必须重新配置任务。

业务人员加一笔，维护人员跑断腿。

正是因为RPA构建业务流程自动化的脆弱性，厂商们纷纷引入AI技术，并进一步向能够构建端到端自动化的超自动化架构发展。

超自动化是一个以交付工作为目的集合体，通过吸纳更多的技术打造一个自动化产品与技术集，是RPA、流程挖掘、智能业务流程管理等多种技术能力与软件工具的组合，也是智能流程自动化、集成自动化等概念的进一步延伸。

超级自动化本身涉及到的关键步骤即发现、分析、设计、自动化、测量、监视和重新评估等均囊括在内，突出以人为中心，实现人、应用、服务之间的关联、组合以及协调的重要性。

虽然超自动化在架构中引入了测量、监视和重新评估，但RPA仍旧处于相对独立的运行单元。即便早已引入的AI技术，也难以保障RPA在业务灵活需求场景下运行稳定性。

直到今年大语言模型实现重大突破，AI Agent与RPA的结合才真正让大家看到了希望。

RPA的Agent机遇

现在几乎所有技术供应商与组织都在转向大语言模型（LLM），随着更多厂商的不断探索与尝试，我们看到一种新型自动化正在兴起，它就是自主智能体（Autonomous Agent，AI Agent的一种）。

AI Agent（AI智能体）是一种能够感知环境、进行决策和执行动作的智能实体。不同于传统的AI，AI Agent 具备通过独立思考、调用工具去逐步完成给定目标的能力。

AI Agent 的工作仅需给定一个目标，就能够针对目标独立思考并做出行动，它会根据给定任务详细拆解出每一步的计划步骤，依靠来自外界的反馈和自主思考，为自己创建 prompt以实现目标。

在类别上，AI智能体分目前可分为自主智能体（Autonomous Agent）和生成智能体（Generative Agent）。自主智能体如Auto-GPT，能够根据人们通过自然语言提出的需求，自动执行任务并实现预期结果。在这种合作模式下，自主智能体主要是为人类服务，更像是一个高效的工具。

用户提供的目标。这些机器人完成并添加新任务，根据先前任务的结果确定其工作流的优先级。它们可以调用长期和短期记忆，使用旧查询作为上下文并存储以前的结果。

这意味着这些机器人不会停在新数据导致的“死胡同”，而是可以从错误中“学习”并调整其一系列任务。

Github等开源社区现在已经出现从编写代码（GPT-Engineer）到订购披萨（HyperWrite）的多种智能体框架及工具，目前单是开源Agent架构就有AutoGPT、BabyGPT、MetaGPT等多个，开发者们可以用这些架构打造各领域及业务场景的基于LLM的AI智能体。

在海外，投研界已将自主智能体称作新一代自动化。

新一代自动化

大多数RPA厂商，都在以生成式AI补充RPA为中心的自动化流程，比如更好的文档处理或代码原生平台等。像UiPath和Automation Anywhere等厂商，正在通过更多的端到端自动化工作流程以及添加支持生成式AI的功能，以应对传统RPA的缺点。

当然，也不排除一些厂商会基于AI Agent重新构建超自动化产品。

比如最近专注低代码的超自动化厂商Torq已将其AI代理添加到安全超自动化平台，国产超自动化厂商实在智能也在8月份推出了基于自研大语言模型TARS的RPA智能体产品TARS-RPA-Agent。

这些厂商，已经成为流程自动化领域探索AI Agent的先行者。

而一些新的创业公司，则以自主智能体为中心提供“新一代流程自动化”工具，这些工具的应用通常从电子商务等不受监管的领域及业务场景开始。

RPA的持续进化

当代RPA的兴起以及快速发展，得益于人工智能技术。伴随着AI的不断突破，RPA从技术架构到功能也在不断进化。如今大语言模型的突破与应用，也为RPA的未来发展带来了新的发展方向。

从智能流程自动化（IPA）的进化角度，数字化转型博客DeltalogiX 将IPA的进化发展分为四个阶段，分别是RPA、认知自动化（Cognitive Automation）、数字助手（Digital Assistants）和自主智能体（Autonomous Agents）。

第一阶段：用于简单、重复性任务的RPA

每个员工每天都在执行简单的日常任务，经常占据一天中的很大工作部分。RPA非常适合涉及结构化数据的重复性任务，比如阅读电子邮件等都可以交给RPA。

RPA机器人遵循预定义的规则和说明。使用确定性RPA机器人的自动化流程的一个案例是处理员工费用报销单。通常，此过程要求员工填写包含所有必要信息的纸质或电子表格，并将其发送给人力资源或行政部门进行审查和批准。

第二阶段：用于培训和过程适应的认知自动化Cognitive Automation

经过人工智能技术的加持，RPA就进化成为IPA，也就是我们所说的认知自动化。除了基于规则和说明的结构化数据，IPA能处理的数据可来自于电子邮件、文档和图像，

认知自动化基于对过去经验的分析，通过不断整合历史数据和新数据，自动化流程会适应收到的反馈，以预测产品或服务的需求为例。使用先进的机器学习算法和对历史销售数据的访问，可以创建一个预测模型来分析过去的模式，以识别趋势和行为。

还可以训练模型以了解影响需求的变量，例如季节性、促销、特殊事件和经济状况。这些预测可用于指导业务决策，例如生产计划、库存管理、定义营销策略和预测资源需求。此过程的认知自动化可实现比手动数据分析更准确、更高效的预测。

此外，由于该模型可以使用新数据不断训练，因此它可以适应市场变化并随着时间的推移而改进。可以看出，即使是少量的人工智能也可以显著提高自主性水平，并为更复杂的流程提供更具体的支持。

第三阶段：用于语言处理的数字助理Digital Assistants

随着IPA与AI的深度融合，尤其是有了LLM的支持，IPA发展成为了真正基于自然语言交互的数字助理。

像ChatGPT就是典型的数字助理，其他厂商也可以借助GPT等LLM构建面向其所在领域的数字助理。

认知自动化系统能够理解和处理人类语言（NLP，自然语言处理）。因此人力资源将能够与软件进行交互，而软件又将能够从书面或口头文本中提取含义并提供“智能”响应。NLP 可实现与聊天机器人、语音助手和基于语言的分析相关的任务的自动化。

语言理解和用户界面也是允许客户以自动化方式与公司互动的重要元素。如果使用得当，并采用改善客户体验的策略，虚拟助手可以通过减少相关活动所需的时间来高效改善工作和与客户的关系。

第四阶段：用于决策的自主智能体Autonomous Agents

最高水平的智能自动化涉及复杂的决策过程。在这个过程中，深度数据分析（包括深度学习）提供了广泛的概述，在此基础上进行分析或预测以指导短期和长期活动。

这种深入的分析功能包括多个变量和相关因素，允许机器人或者更确切地说是数字智能体自主做出决策。

这种类型的支持特别适用于人力资源管理、供应链优化、财务规划和风险分析。由于其不断增加的处理能力和知识，该机器人能够提供及时准确的建议和建议，以支持业务主管的决策过程。

后记：超自动化智能体时代到来

可以看到，第四阶段的自主智能体正好对应于前文讲的新一代自动化。

按照IPA的发展路径，这里第四阶段的自主智能体，更多的指的是基于LLM的RPA智能体或者超自动化智能体。

毕竟，立足流程自动化的RPA厂商们，一般不会放弃现有产品形态，以自主智能体为中心去开拓全新的AI Agent产品体系。

短时间内，AI Agent还无法用于操作成百上千的企业管理系统。更大的可能是，企业级运营管理层面的自主智能体，将由更懂企业经营的RPA、流程挖掘、BPA、ERP等企管软件厂商，在不同LLM和已有管理软件基础上构建。

所以，厂商们在自研LLM及现有产品架构中引入AI Agent，或者开辟一条AI Agent能够联动已有自动化技术的产品路线是完全有可能的。

且智能体也已成为RPA未来发展终极目标，而AI智能体也是通往通用人工智能（AGI）的必经之路。

事实上，就是厂商们不去做AI Agent融合，出于降本增效提质的需求，客户也会自行在已引入LLM及RPA的基础上去做进一步探索。在市场上需求的牵引下，技术供应商们早晚都会迈出智能体这一步。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】